15、基于机器学习的人类行为识别技术综述

基于机器学习的人类行为识别技术综述

1. 引言

在计算机视觉领域，人类活动识别（HAR）是一个备受关注的重要话题。随着视频录制数量的呈指数级增长，以及众多使用定时视频测试的应用的出现，如视觉监控、人机界面、视频查询和视频恢复等，HAR 尤其是异常状态动作识别，展现出了巨大的应用潜力。

人类动作通常根据多样性可分为四个阶段：手势、行为、交互和群体活动。手势是身体部位的基本运动，如握手和面部表情，通常持续时间短且复杂度低；行为是个体进行的活动，如跑步、骑自行车等，是各种手势的组合；交互包括人与人或人与物体的互动，如打架、使用 ATM 等；群体活动则最为复杂，涉及多人和物体，如抗议、团队比赛等。

在过去十年中，机器学习方法在计算机视觉领域得到了广泛应用，但目前尚无明确的机器学习方法框架。本文将对各种机器学习方法进行评估和分类，探讨用于人类活动识别的最佳机器学习方法，并介绍相关的公开数据集。

2. 人类活动识别的机器学习：机遇与挑战

近年来，自动或功能识别一直是计算机视觉领域的难题之一，它对于视频监控、计算机游戏、机器人技术和人机交互等众多人工智能应用至关重要。

一个典型的动作认证系统包括三个关键步骤：特征提取、动作表示和分类。每个步骤对于实现正确的识别率都至关重要，合适的特征提取和分类方法将极大地影响最终结果。近年来，已经开始采用机器学习方法直接从源视频数据中学习高级表示。

3. 基于视觉的动作识别方法

基于视觉的动作识别方法通常分为两类：

3.1 手工特征表示方法

这是人类活动识别的下游技术，主要基于手工特征表示。通过特征设计的特征检